一种名为DEGU（用于基因组不确定性感知模型的集成分布蒸馏）的人工智能工具近日问世，有望显著提升基因组学研究中AI预测的准确性与可解释性。该成果发表于《npj人工智能》期刊。 当前，深度神经网络（DNNs）在预测基因实验结果方面已发挥重要作用，但科学家普遍面临一个核心难题：这些模型往往只输出结果，却无法提供对预测结果的置信度评估。无论是大语言模型还是生物领域专用AI，其输出格式统一，却缺乏对不确定性的表达，限制了其在严谨科研中的可信度。 为解决这一问题，冷泉港实验室（CSHL）助理教授彼得·库（Peter Koo）与前博士后研究员周佳琪（Jessica Zhou）及研究生凯莉·里佐（Kaeli Rizzo）共同开发了DEGU。该方法基于“深度集成分布蒸馏”技术，不再依赖多个独立模型的平均预测，而是将多个模型的预测分布整合为一个更高效、更紧凑的单一模型。 传统深度集成学习需同时运行数十个模型，计算成本高且难以解释。而DEGU能将10个模型的预测信息压缩为一个仅为其十分之一大小的模型，同时保持甚至超越原有预测性能。更重要的是，新模型不仅能给出更准确的结果，还能清晰揭示预测背后的依据和不确定性来源，大大增强了可解释性。 “我们不再需要分析多个模型，而是用一个更小、更易理解的模型完成同样任务，”里佐表示。这不仅降低了计算资源消耗，也使研究人员能更聚焦于真正有潜力的科学假设，减少因模型低置信度而引发的无效实验。 目前，Koo团队正致力于进一步优化DEGU的效率，并推动其在全球科研领域的普及。他们相信，更可靠、更透明的AI工具将加速基因组研究进程，助力发现潜在疗法，推动精准医学发展。